Tencent abre Hy-Nomas: un mundo de vídeo con memoria a 720p que funciona en una sola RTX 4090

Los modelos de vídeo convencionales se parecen a una cámara con memoria corta: generan un clip y, a partir de ahí, cada nuevo fragmento corre el riesgo de ir por su cuenta. La habitación que acaba de ver cambia de aspecto diez segundos después. Tencent ha publicado en abierto Hy-Nomas, un «modelo de mundo» que construye un espacio virtual por segmentos y tiene en cuenta lo que ya se ha mostrado.

Un ejemplo: usted camina por una calle generada, escribe «que empiece a llover» y gira la cámara hacia atrás; la calle debería seguir siendo la misma, solo que mojada. La memoria se apoya en KV-cache (la caché de estados internos del transformer), la imagen sale a 720p y 24 fotogramas por segundo, y el modelo puede ejecutarse en una sola tarjeta gráfica RTX 4090 con 24 GB de memoria. Para un desarrollador, es una oportunidad de probar un modelo así en local, sin clúster, aunque con las salvedades que se detallan a continuación.

Qué sabe hacer Hy-Nomas

El modelo genera el mundo segmento a segmento. El usuario modifica lo que ocurre con comandos de texto, controla el movimiento de la cámara y continúa la generación teniendo en cuenta las escenas anteriores. Para no perder el hilo entre fragmentos de vídeo, Hy-Nomas guarda el contexto en KV-cache: el modelo no tiene que «releer» todo el historial cada vez. Eso sí, el historial activo es limitado, así que la memoria del modelo no es infinita.

La salida es vídeo a 720p y 24 fotogramas por segundo, y la generación requiere 8 pasos de difusión. Es una cifra relativamente baja: el enfoque busca la practicidad, no la máxima calidad a cualquier precio.

Qué hay bajo el capó y cómo ejecutarlo

La arquitectura es un MMDiT autorregresivo por segmentos con 54 bloques. El texto lo interpreta el codificador Qwen2.5-VL-7B. Para comprimir el vídeo se usa DCAE-V, y para decodificarlo, PixelUMM. Entre las variantes disponibles hay adaptadores LoRA (pequeñas capas adicionales ajustadas con entrenamiento extra) llamados Cinematic y Robotics. El segundo, entre otros datos, se ha adaptado con vídeo de manipuladores robóticos, de modo que el modelo puede probarse no solo para escenas vistosas, sino también para simular cómo un brazo robótico manipula objetos.

Para quienes no disponen de una granja de servidores, Tencent ha previsto la ejecución en una sola RTX 4090 con 24 GB de memoria de vídeo. Para ello se recurre a la cuantización INT8/FP8, a la limitación del historial activo y a la descarga de parte de los datos a la CPU. Pero esto no significa generación en tiempo real: Tencent no ha comunicado una velocidad oficial en la RTX 4090, así que no conviene esperar una respuesta propia de un juego; habrá que esperar a que se genere cada segmento.

Hay una segunda limitación: se trata de vídeo. No hay exportación a 3D, es decir, no se puede cargar la escena en un motor de juego y recorrerla libremente. Lo que se obtiene es una secuencia de fotogramas que parece un mundo.

Licencia y ecosistema

El proyecto se ha publicado bajo Apache 2.0, que permite también el uso comercial. Sin embargo, algunos componentes de terceros pueden tener sus propias licencias, por lo que antes de pasar a producción conviene revisar toda la cadena, incluidos el codificador y los decodificadores.

La fuerza de un lanzamiento abierto ya se aprecia: han aparecido integraciones de terceros para ComfyUI, SGLang, WanGP y Reactor, además de las primeras aplicaciones experimentales. Ayer Tencent añadió a la lista de proyectos de terceros Prelulu, cuyos autores muestran minidramas interactivos con diálogos y variantes alternativas del desarrollo de la historia. Es una buena referencia de hacia dónde apuntan estos modelos: no hacia el «juego soñado», sino hacia el vídeo interactivo en el que el espectador influye en la trama.

Qué hacer con esto

Si desarrolla herramientas creativas o prototipos de juegos, merece la pena instalar Hy-Nomas y probarlo: la demo, el código y los pesos ya están disponibles, y el nodo para ComfyUI integra el modelo en un pipeline habitual. A los especialistas en robótica les resultará interesante el adaptador Robotics como vía para obtener vídeos sintéticos de manipulación. Los responsables de producto deberían valorar si el usuario tolerará la espera de la generación en escenarios como las historias interactivas y las simulaciones de formación.

No cabe esperar de este lanzamiento un sustituto listo de un motor de juego: no hay 3D, no hay tiempo real confirmado y la memoria es limitada. Pero como base abierta para experimentar con mundos que recuerdan su propia historia, es una de las opciones más accesibles hoy.